Análisis y conversión de variable de conteo de uso en variable calificación para la elaboración de un modelo de recomendación de canciones

Castro Sanchez, Cristian Jose

Análisis y conversión de variable de conteo de uso en variable calificación para la elaboración de un modelo de recomendación de canciones

dc.contributor.advisor	Gonzalez Veloza., Jhon
dc.contributor.author	Castro Sanchez, Cristian Jose
dc.creator.email	cjcastros01@libertadores.edu.co	spa
dc.date.accessioned	2022-03-28T21:39:11Z
dc.date.available	2022-03-28T21:39:11Z
dc.date.created	2022
dc.description	Este artículo presenta un análisis de datos que permite múltiples formas para la conversión de la variable de conteo en una variable de calificación, para así generar un modelo de recomendación de canciones basado en un dataset de rock clásico a través del filtro colaborativo de la herramienta Turicreate de Machine Learning con la ayuda del software Python de Ubuntu. Como resultado, se encontró que la base de datos posee un alto sesgo el cual implicó analizar la data en profundidad y crear un modelo que contemple con mayor peso los datos escuchados más de una vez por los usuarios. El modelo de recomendación posee una precisión 0.075 y 0.20 recuperación mayor que el modelo que le antecede en valores comparativos de rendimiento, esto demuestra que el modelo brinda una recomendación satisfactoria ya sea filtrando por usuario, título de canción o artista. Se evidenció que el modelo provee una metodología ágil y confiable para el entendimiento lógico del análisis y creación de un sistema de recomendación. Como conclusión general se observa que, entre distintas formas de mitigar el sesgo	spa
dc.description.abstract	This article presents a data analysis that allows multiple ways to convert the count variable into a rating variable, in order to generate a song recommendation model based on a classic rock dataset through the collaborative filter of the Turicreate tool. Machine Learning with the help of Ubuntu Python software. As a result, it was found that the database has a high bias, which involved analyzing the data in depth and creating a model that considers with greater weight the data heard more than once by users. The recommendation model has an accuracy of 0.075 and 0.20 recovery higher than the model that precedes it in comparative performance values, this shows that the model provides a satisfactory recommendation whether filtering by user, song title or artist. It was evidenced that the model provides an agile and reliable methodology for the logical understanding of the analysis and creation of a recommendation system. As a general conclusion, it is observed that, among different ways of mitigating the bias.	spa
dc.format	PDF	spa
dc.identifier.uri	http://hdl.handle.net/11371/4393
dc.language.iso	spa	spa
dc.publisher	Fundación Universitaria Los Libertadores. Sede Bogotá.	spa
dc.rights.acceso	Abierto (Texto Completo)	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.subject.lemb	Maquinaria automática	spa
dc.subject.lemb	Procesamiento electrónico de datos	spa
dc.subject.lemb	Inteligencia artificial	spa
dc.subject.lemb	Metodología	spa
dc.subject.proposal	Sistema de recomendación	spa
dc.subject.proposal	Conversión de variable	spa
dc.subject.proposal	Software Python de Ubuntu	spa
dc.subject.proposal	Recuperación- Recall	spa
dc.subject.subjectenglish	Recommendation system	spa
dc.subject.subjectenglish	Variable conversion	spa
dc.subject.subjectenglish	Ubuntu Python Software	spa
dc.subject.subjectenglish	Recovery- Recall	spa
dc.title	Análisis y conversión de variable de conteo de uso en variable calificación para la elaboración de un modelo de recomendación de canciones	spa
dc.type	info:eu-repo/semantics/bachelorThesis	spa